IBM libère PatchTST-FM-r2, le meilleur modèle de prévision temporelle zero-shot sous licence permissive
Le 9 septembre 2026, IBM publie Granite Time Series PatchTST-FM-r2, un modèle de 385 millions de paramètres qui devient le meilleur prévisionniste zero-shot distribué sous licence permissive sur le benchmark GIFT-Eval, devant des modèles pourtant plus gros. Pour toute équipe qui fait de la prévision de demande, de charge ou de télémétrie, c’est une base de départ zero-shot directement exploitable en production.
9 septembre 2026. IBM publie Granite Time Series PatchTST-FM-r2, la nouvelle itération de sa famille de modèles de fondation dédiés aux séries temporelles. 8 septembre 2026. Le modèle devient, sur le leaderboard GIFT-Eval, le meilleur modèle zero-shot distribué sous licence permissive — Apache 2.0 et OpenMDW 1.0 — et se hisse au 2ᵉ rang global parmi les modèles zero-shot reproductibles. 6 septembre 2026. La prévision s’émancipe du « un modèle par jeu de données ». Pourquoi c’est important : la prévision de demande, de charge ou de télémétrie sort de l’âge du sur-mesure, et la licence ne bloque plus la mise en production.
Un modèle de fondation qui prévoit sans avoir jamais vu vos données
Le principe d’un modèle de fondation temporel est le même que celui des grands modèles de langage : au lieu d’entraîner et de maintenir un modèle distinct pour chaque série — ventes, consommation électrique, trafic réseau — on déploie un modèle pré-entraîné capable de générer des prévisions zero-shot, c’est-à-dire sur des données qu’il n’a jamais vues. PatchTST-FM-r2 applique cette logique à la prévision de demande, de prix, de charges énergétiques, de trafic et de télémétrie.
Le modèle pèse environ 385 millions de paramètres, accepte un contexte allant jusqu’à 8 192 points, produit des horizons de prévision flexibles et, surtout, émet des prévisions probabilistes via une tête de prédiction à 99 quantiles. Cette dernière précision est essentielle : une prévision ponctuelle ne suffit pas en exploitation, il faut un intervalle de confiance pour décider. Le support de l’imputation des valeurs manquantes complète le tableau — les séries réelles ont des trous, un modèle qui les gère nativement évite un pipeline de nettoyage préalable.
L’architecture : des blocs conformer plutôt qu’un simple transformeur
La rupture avec PatchTST-FM-r1 ne se lit pas dans le nombre de paramètres, elle se lit dans le backbone. Le modèle conserve la représentation par patches qui a fait le succès de la famille PatchTST — on découpe la série en segments traités comme des tokens — mais son squelette interne est reconstruit autour de blocs conformer.
Un conformer combine l’auto-attention multi-têtes avec une convolution temporelle. L’auto-attention capture les dépendances à longue portée — les tendances saisonnières, les cycles — tandis que la convolution capture la structure à courte portée entre points voisins. C’est cette double lecture qui, selon IBM, « lisse les prédictions inter-patches » et améliore substantiellement les métriques d’erreur. En clair : le modèle lit à la fois la forme d’ensemble de la série et son grain local, sans sacrifier l’une à l’autre.
Du point unique à l’intervalle, et de r1 à r2
Une prévision ponctuelle — « la demande de demain sera de 4 200 » — ne dit rien du risque d’erreur. La tête de prédiction à 99 quantiles de PatchTST-FM-r2 change la nature du résultat : pour chaque horizon, le modèle émet une distribution — la valeur médiane et les quantiles extrêmes qui bornent l’incertitude — plutôt qu’un chiffre nu. Une équipe de capacity planning lit le quantile P90 pour dimensionner avec une marge assumée ; une équipe achat lit le P10 pour négocier sans surstocker. C’est la différence entre répondre « combien ? » et « combien, et avec quelle confiance ? ».
Le saut depuis PatchTST-FM-r1 tient en trois évolutions, plus qu’en un simple ajout de paramètres : un backbone reconstruit autour de blocs conformer (auto-attention pour les dépendances longues, convolution pour le grain court), un corpus de pré-entraînement plus large, et cette prévision probabiliste. Le support natif de l’imputation des valeurs manquantes complète le tout : les séries de production ont des trous, et un modèle qui les traite à l’inférence épargne un pipeline de nettoyage en amont.
Des scores qui battent des modèles plus gros
Sur GIFT-Eval, le benchmark de référence qui évalue les prévisionnistes sur des jeux de données hétérogènes, PatchTST-FM-r2 affiche une CRPS moyenne géométrique de 0,467 et une MASE de 0,6846 — plus c’est bas, mieux c’est. Restreint aux modèles zero-shot, reproductibles et évalués sans fuite de test, il se classe 2ᵉ sur ces deux métriques, juste derrière TimesFM-3.
Le chiffre qui compte vraiment est ailleurs : parmi les modèles zero-shot sous licence permissive et commercialisable, PatchTST-FM-r2 est premier. Et il reste compétitif même quand on ajoute à la comparaison des modèles « pretrained » autorisés à inclure les données d’entraînement du benchmark dans leur corpus : 3ᵉ en CRPS, 4ᵉ en MASE, devant Chronos-2, Timer-S1 et des variantes de Toto — dont certains sont nettement plus gros. Un modèle de 385 millions de paramètres qui surpasse des concurrents plus massifs, c’est le signe d’une architecture efficace plutôt que d’un simple ajout de capacité brute.
La licence change la donne, pas seulement le score
Les benchmarks ont tendance à focaliser l’attention sur le rang, mais pour une équipe qui doit mettre un modèle en production, la licence est souvent le premier filtre. PatchTST-FM-r2 est doublement licencié — Apache 2.0 et OpenMDW 1.0, l’utilisateur choisit — deux licences permissives et compatibles avec un usage commercial sans redevance.
C’est ce point qui distingue ce modèle de concurrents techniquement excellents mais enfermés dans des licences non commerciales ou des weights inaccessibles. IBM publie les poids, l’architecture, le pipeline d’inférence et le code pour reproduire les résultats du benchmark. Une équipe peut donc télécharger le modèle, le servir sur son infra, et évaluer sa pertinence sur ses propres séries sans engager de cycle juridique ni de dépendance à une API tierce. Pour la prévision — un besoin transverse qui touche rarement à la propriété intellectuelle des données d’entraînement — cette ouverture est un argument de déploiement à part entière.
Du notebook au flux continu
IBM positionne PatchTST-FM-r2 au-delà du cas d’usage batch : la famille Granite Time Series s’intègre à Confluent pour la prévision en streaming. L’idée est de raccorder le modèle à des flux de télémétrie ou de mesures temps réel, pour produire des prévisions au fil de l’eau plutôt que par lots nocturnes.
C’est la direction dans laquelle la prévision opérationnelle se déplace : une anomalie de charge électrique, un pic de trafic ou une dérive de consommation se détecte en continu, pas le lendemain matin. Un modèle de fondation zero-shot rend ce passage au temps réel crédible, parce qu’il n’exige pas de ré-entraîner un modèle par métrique — on le branche, il prévoit, on le ré-évalue périodiquement.
Verdict
PatchTST-FM-r2 n’est pas un record absolu, et il ne prétend pas l’être. Sa valeur tient à une combinaison rare : un score zero-shot de premier plan sous licence permissive, avec les poids ouverts et le code de reproduction — ce qui le rend réellement déployable, pas seulement cité dans un papier.
Si vous avez une charge de prévision — planification de demande, prévision de charge, télémétrie d’infrastructure — utilisez PatchTST-FM-r2 comme base zero-shot avant d’envisager un modèle sur-mesure. Évaluez-le sur vos propres séries : un SOTA sur GIFT-Eval ne garantit pas l’ajustement à votre domaine, et une sortie à 99 quantiles exige d’interpréter correctement les intervalles de prédiction, pas seulement la valeur centrale.
Si votre contrainte est la licence ou la souveraineté des données, ce modèle coche les deux cases — Apache 2.0/OpenMDW 1.0 et inférence locale — là où beaucoup de concurrents imposent une API ou une licence non commerciale. C’est, en 2026, la différence entre un modèle qu’on regarde et un modèle qu’on déploie.